本文提出了一种增强空间 - 时间记忆的双流自编码器框架，通过对抗学习，学习外观正常性和运动正常性，并探索空间和时间模式之间的相关性，在 UCSD Ped2 和 CUHK Avenue 数据集上，该框架的 AUC 分别为 98.1％和 89.8％，胜过最先进的方法。
Jul, 2022
本研究通过使用伪异常合成器，利用正常数据生成假异常，用这些数据训练自编码器，改进了原有的自编码器，在三个视频数据集上进行的大量实验和分析表明，我们的方法有效地优化了自编码器的性能，并在实现超过现有的若干先进模型。
Oct, 2021
提出了一种新的改进的自编码器 —— 记忆增强自编码器（MemAE），它通过一个内存模块来防止在异常检测中出现误检。实验表明，MemAE 在不同数据集上均拥有较好的适用性和有效性。
Apr, 2019
本研究提出了一种基于轻量级掩蔽自编码器的高效异常事件检测模型，它能够利用运动梯度进行权重计算、结合师生解码器来提高检测效果、通过生成合成异常事件来扩充训练数据，同时将原始帧和对应的像素级异常地图一同重新构建，在三个基准测试上表现出优异的速度和精度。
Jun, 2023
本文提出了一种新的方法，通过训练自编码器（AE）模型重建正常数据，并使用生成的伪异常数据模拟数据分布，以有效改善基于 AE 的视频异常检测方法。在三个具有挑战性的视频异常检测数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。
本研究利用少量标记数据，提出了一种基于动态存储器网络的原型网络模型，通过多次跳转机制实现了更精确的事件原型和更丰富的句子编码，能够在事件类型繁多、样本数量极少的情况下更好地解析事件，并在实验中表现优于基线模型。
Oct, 2019
本研究提出了一种使用自适应聚类器的动态局部聚合网络（DLAN-AC）用于异常检测，通过学习和聚合高级特征来获取更具代表性的原型，并自动消除不贡献于原型构建的特征聚类，实验证明 DLAN-AC 优于大多数现有方法。
通过引入一种新的潜变量约束损失来限制自动编码器的重构能力，本研究在不增加额外计算成本的情况下，提出了一种有效的限制异常重构能力的自动编码器的方法，从而提高异常检测模型的性能。
Mar, 2024
提出一种基于结构化概率模型和深度学习的自动编码器框架，能够将高维的视频序列自动地分解成易于预测的低维时序动态，并且无需显式监督，在多个数据集上进行实验表明该方法具有较好的预测能力。
Jun, 2018
通过利用自编码器学习的自适应噪声产生伪异常数据，以增强自编码器在异常检测中的判别能力。
May, 2024